آموزش PyTorch برای یادگیری عمیق و بینایی کامپیوتر

سرفصل ها و درس ها

معرفی Introduction

• معرفی Introduction

• محتوای رایگان اضافی Additional FREE Content

شروع شدن Getting Started

• پیدا کردن کدها (Github) Finding the codes (Github)

• نگاهی به پروژه ها A Look at the Projects

معرفی Tensors - PyTorch Intro to Tensors - PyTorch

• مقدمه Intro

• تانسورهای 1 بعدی 1 Dimensional Tensors

• عملیات برداری Vector Operations

• تانسورهای 2 بعدی 2 Dimensional Tensors

• برش تانسورهای سه بعدی Slicing 3D Tensors

• ضرب ماتریس Matrix Multiplication

• گرادیان با PyTorch Gradient with PyTorch

• Outro Outro

رگرسیون خطی - PyTorch Linear Regression - PyTorch

• مقدمه Intro

• پیشگویی Making Predictions

• کلاس خطی Linear Class

• ماژول های سفارشی Custom Modules

• ایجاد مجموعه داده Creating Dataset

• عملکرد از دست دادن Loss Function

• گرادیان نزول Gradient Descent

• خطای میانگین مربعات Mean Squared Error

• آموزش – پیاده سازی کد Training - Code Implementation

• گرفتن نتایج عجیب و غریب؟ Getting Weird Results?

• Outro Outro

• خلاصه Summary

Perceptrons - PyTorch Perceptrons - PyTorch

• مقدمه Intro

• یادگیری عمیق چیست What is Deep Learning

• ایجاد مجموعه داده Creating Dataset

• مدل پرسپترون Perceptron Model

• راه اندازی مدل Model Setup

• آموزش مدل Model Training

• تست مدل Model Testing

• Outro Outro

شبکه های عصبی عمیق - PyTorch Deep Neural Networks - PyTorch

• مقدمه Intro

• مرزهای غیر خطی Non-Linear Boundaries

• معماری Architecture

• فرآیند پیشخور Feedforward Process

• تابع خطا Error Function

• پس انتشار Backpropagation

• پیاده سازی کد Code Implementation

• مدل تست Testing Model

• Outro Outro

تشخیص تصویر - PyTorch Image Recognition - PyTorch

• مقدمه Intro

• مجموعه داده MNIST MNIST Dataset

• مجموعه داده های آموزشی و آزمایشی Training and Test Datasets

• به روز رسانی مهم - رفع اشکال برای درس بعدی Important Update - Bug fix for next lesson

• تغییر شکل تصویر Image Transforms

• پیاده سازی شبکه عصبی Neural Network Implementation

• اعتبار سنجی شبکه عصبی Neural Network Validation

• لینک های تست Test Links

• تست های نهایی Final Tests

• نکته ای در مورد تنظیم اندازه دسته A note on adjusting batch size

• Outro Outro

شبکه های عصبی کانولوشن - PyTorch Convolutional Neural Networks - PyTorch

• Convolutions و MNIST Convolutions and MNIST

• لایه کانولوشنال Convolutional Layer

• پیچیدگی II Convolutions II

• ادغام Pooling

• شبکه کاملا متصل Fully Connected Network

• پیاده سازی شبکه عصبی با PyTorch Neural Network Implementation with PyTorch

• آموزش مدل با PyTorch Model Training with PyTorch

CIFAR 10 طبقه بندی - PyTorch CIFAR 10 Classification - PyTorch

• مجموعه داده CIFAR 10 The CIFAR 10 Dataset

• تست LeNet Testing LeNet

• تنظیم فراپارامتر Hyperparameter Tuning

• افزایش داده ها Data Augmentation

آموزش انتقال - PyTorch Transfer Learning - PyTorch

• مدل های پیشرفته از پیش آموزش دیده Pre-trained Sophisticated Models

• لینک Github برای Dataset Github Link for Dataset

• AlexNet و VGG16 AlexNet and VGG16

انتقال سبک - PyTorch Style Transfer - PyTorch

• مقاله توصیه شده برای خواندن (اختیاری) Recommended Paper to Read (Optional)

• VGG 19 VGG 19

• تصاویر مورد نیاز برای درس بعدی (منبع) Images Required for Next Lesson (Resource)

• تغییر شکل تصویر Image Transforms

• تغییر شکل تصویر Image Transforms

• استخراج ویژگی Feature Extraction

• مقاله اختیاری دوم برای خواندن 2nd Optional Paper to Read

• ماتریس گرم The Gram Matrix

• بهينه سازي Optimization

• محتوا و تصاویر سبک Content and Style Images

• انتقال سبک با ویدئو Style Transfer with Video

• فعلا خدانگهدار Goodbye, for now

همه کدهای منبع All Source Codes

• مقدمه Intro

• رگرسیون خطی Linear Regression

• رگرسیون لجستیک Logistic Regression

• شبکه های عصبی عمیق Deep Neural Networks

• طبقه بندی MNIST MNIST Classification

• شبکه های عصبی کانولوشنال Convolutional Neural Networks

• سیفار 10 CIFAR 10

• یادگیری انتقالی Transfer Learning

• انتقال سبک Style Transfer

پیوست A - دوره سقوط پایتون (اختیاری) Appendix A - Python Crash Course (Optional)

• دوره سقوط پایتون - دسترسی رایگان Python Crash Course - Free Access

پیوست B - دوره Crash NumPy (اختیاری) Appendix B - NumPy Crash Course (Optional)

• توجه داشته باشید Note

• بررسی اجمالی Overview

• آرایه ها در مقابل لیست ها Arrays vs Lists

• آرایه های چند بعدی Multidimensional Arrays

• برش تک بعدی One Dimensional Slicing

• تغییر شکل دادن Reshaping

• برش چند بعدی Multidimensional Slicing

• دستکاری اشکال آرایه Manipulating Array Shapes

• ضرب ماتریس Matrix Multiplication

• پشتهسازی Stacking

• Outro Outro

• Outro Outro

پیوست C - توضیح Softmax (اختیاری) Appendix C - Softmax Explanation (Optional)

• مقدمه Intro

• مقدمه Intro

• سافت مکس Softmax

• آنتروپی متقاطع Cross Entropy